论文部分内容阅读
摘 要：借助信息技术手段来改善高校教学管理现状，满足高校教育需求是目前的大势所趋。本文简要研究了基于数据仓库与数据采集技术的高校教学管理决策支持系统，并探讨了它的具体应用实现过程。
关键词：高校教学管理决策支持系统;数据仓库;数据采集;应用
决策支持系统（Decision Support System，DSS）可以做到辅助决策者通过数据、模型等知识实现人机交互并以此为依据作出相应决策。它所涉及的基础学科包括了管理科学、行为科学、运筹学和控制论，并利用到了信息技术、计算机技术与仿真技术，以半结构化问题为针对对象来支持决策活动。
一、数据仓库与数据采集
（一）数据仓库
数据仓库应该是面向主题的集成、非易失和时变的数据集合，它可以实现对管理部门决策过程的完全支持。从技术特征讲，数据仓库是有别于其它数据存储系统的。数据仓库讲求以语义一致的同一种语言实施数据存储，它以物理形态来实现决策支持数据模型，并且还能存储有关于企业战略决策的一切信息。所以数据仓库也可被视为是一种体系结构，它将多种类数据源中的数据集成于一处，并支持结构化与专门化的数据查询分析，从而辅助系统决策的最终制定。
（二）数据采集
数据采集又叫做数据挖掘（Data Mining），它可以从带有噪声、模糊且随机的海量实际应用数据中提取那些隐藏的、具有实用价值的数据。实质上数据采集过程就是一个以用户为中心的人际交互探索过程，它主要由三个阶段构成：数据准备、采集以及结果评价。在数据采集中，人工BP神经网络、关联规则、遗传算法、决策树等等都是较为常用的分析方法。
（三）数据仓库与数据采集之间的关系
在数据采集中涵盖了一系列可以在数据库中发现的模式及技术，它们衔接了数据采集与数据仓库两大技术体系，并获得更好的结合结果。比如说一次成功的数据采集就能实现对数据仓库中数据的深层次分析，并从中收集更多有益信息。因此数据仓库不仅仅是对数据的集成，也可以与数据仓库联机并通过对数据的分析为数据采集提供最好的操作平台，好的数据仓库是可以促进数据采集技术发展的。但这也并不代表数据仓库可以决定数据采集技术的发挥，因为在绝大部分情况下，数据采集可以从数据库的操作数据源中来直接挖掘数据信息，进而促进二者之间的紧密关系，更好的支持决策系统构建[1]。
二、基于数据仓库与数据采集的高校教学管理决策支持系统应用分析
（一）高校教学管理决策支持系统的构建
高校教学管理决策支持系统（University Teaching Management Decision Support System，UTMDSS）在传统高校教学管理系统所采用的数据库基础之上，利用数据仓库技术和数据采集技术进行了关于教学内容的分析，它包括了对成绩的决策分析、教学质量决策分析、教学工作量决策分析以及学生的成绩及就业决策分析等等。从教学管理系统的数据处理技术类型可以将UTMDSS分为两类：分析型处理和操作型处理。分析型处理主要针对人员管理决策展开，而操作型处理则针对教学内容中的特定应用服务。两种处理类型都能建立不同的数据环境，从而实现不同的技术应用层次，解决不同的问题，它的具体技术结构流程如图1.
上述图1中所描述结构可以通过外部数据来分析UTMDSS的内部运行环境，并以数据仓库技术来对系统中的数据进行内外转换提取，同时也能实现纠错功能和数据格式统一，确保数据仓库满足数据采集所要求的格式及质量标准。处理后的数据会存储于数据仓库中，而高校中的不同管理部门也会根据不同的需要，借助数据仓库来展开不同的决策活动[2]。
（二）根据改进Apriori算法实现UTMDSS应用
由于UTMDSS中涵盖了许多方面，例如招生生源数据、教学质量评价数据等等，本文就以对教学质量评价数据的采集为例，利用改进后的Apriori算法来分析UTMDSS系统中对数据的提取应用过程。
基于Apriori算法为数据仓库生成候选项集Ck，并以连接和剪枝两个技术操作完成流程步骤。由于在这一过程中会生成大量候选项集，所以要利用Apriori算法对所有通过扫描数据库的候选项集进行计算改善，计算改善后的数据项组合被称之为频繁项集。获取频繁项集的方法有很多，本文所采用的是编码方法[3]。
首先对数据仓库中的全部数据项进行记录编码，并统计出项的支持度随之生成频繁项集-1，然后如此循环生成频繁项集-2，直到最终可以获得符合标准要求的全部频繁项集。
在得到所有合适的频繁项集后，再利用数据采集对频繁项集中的二项集代码进行计算推理，所采用的数据处理软件即为SQL SERVER2000。以下为频繁二项集代码的推导过程：
Set@c4=select@cnt=sum（@c2+&）from教学评价量化值;
Execsp_executesql@c5，N@int out'@cnt out;
if@cnt>3
insert into td2（item1，2，support）values（@c1，@c2，@cnt）;
end
FETCH next FROM cur1 INTO@c1，@c2
END
再利用相同思維步骤可以实现其它所有项的频繁项集计算推理，并得出相应结果。结果方面，通过对数据仓库中的数据进行采集，发现在高校中{A4，D4}为最大频繁项集，它表明目前校内从45～55岁的男性教师在教学质量评价方面是最高的。
总结
本文结合了数据仓库与数据采集对高校教学质量进行了简单的评价信息数据挖掘，并证明了教学管理决策的重要性。其目的也是为了让目前更多的高校能够了解并学会运用这套基于数据仓库信息采集的决策支持技术，从而进一步提高高校目前相关教学内容的客观评价度，以便于正确作出决策，实现高校办学的多方面经验积累。
参考文献：
[1] 匡银虎，张虹波，杨翔等.基于数据挖掘的高校教务系统设计[J].现代计算机（专业版），2010（6）：147-149.
[2] 彭娟.高校教学管理决策支持系统中关键技术的研究[D].西安石油大学，2008.33-34.
[3] 巫红霞.基于数据仓库和数据挖掘的高校教学管理决策支持系统[D].南京航空航天大学，2008.52-57.
作者简介：
熊慧，武汉交通职业学院电子与信息工程学院计算机应用教研室专业教师，讲师。
关键词：高校教学管理决策支持系统;数据仓库;数据采集;应用
决策支持系统（Decision Support System，DSS）可以做到辅助决策者通过数据、模型等知识实现人机交互并以此为依据作出相应决策。它所涉及的基础学科包括了管理科学、行为科学、运筹学和控制论，并利用到了信息技术、计算机技术与仿真技术，以半结构化问题为针对对象来支持决策活动。
一、数据仓库与数据采集
（一）数据仓库
数据仓库应该是面向主题的集成、非易失和时变的数据集合，它可以实现对管理部门决策过程的完全支持。从技术特征讲，数据仓库是有别于其它数据存储系统的。数据仓库讲求以语义一致的同一种语言实施数据存储，它以物理形态来实现决策支持数据模型，并且还能存储有关于企业战略决策的一切信息。所以数据仓库也可被视为是一种体系结构，它将多种类数据源中的数据集成于一处，并支持结构化与专门化的数据查询分析，从而辅助系统决策的最终制定。
（二）数据采集
数据采集又叫做数据挖掘（Data Mining），它可以从带有噪声、模糊且随机的海量实际应用数据中提取那些隐藏的、具有实用价值的数据。实质上数据采集过程就是一个以用户为中心的人际交互探索过程，它主要由三个阶段构成：数据准备、采集以及结果评价。在数据采集中，人工BP神经网络、关联规则、遗传算法、决策树等等都是较为常用的分析方法。
（三）数据仓库与数据采集之间的关系
在数据采集中涵盖了一系列可以在数据库中发现的模式及技术，它们衔接了数据采集与数据仓库两大技术体系，并获得更好的结合结果。比如说一次成功的数据采集就能实现对数据仓库中数据的深层次分析，并从中收集更多有益信息。因此数据仓库不仅仅是对数据的集成，也可以与数据仓库联机并通过对数据的分析为数据采集提供最好的操作平台，好的数据仓库是可以促进数据采集技术发展的。但这也并不代表数据仓库可以决定数据采集技术的发挥，因为在绝大部分情况下，数据采集可以从数据库的操作数据源中来直接挖掘数据信息，进而促进二者之间的紧密关系，更好的支持决策系统构建[1]。
二、基于数据仓库与数据采集的高校教学管理决策支持系统应用分析
（一）高校教学管理决策支持系统的构建
高校教学管理决策支持系统（University Teaching Management Decision Support System，UTMDSS）在传统高校教学管理系统所采用的数据库基础之上，利用数据仓库技术和数据采集技术进行了关于教学内容的分析，它包括了对成绩的决策分析、教学质量决策分析、教学工作量决策分析以及学生的成绩及就业决策分析等等。从教学管理系统的数据处理技术类型可以将UTMDSS分为两类：分析型处理和操作型处理。分析型处理主要针对人员管理决策展开，而操作型处理则针对教学内容中的特定应用服务。两种处理类型都能建立不同的数据环境，从而实现不同的技术应用层次，解决不同的问题，它的具体技术结构流程如图1.
上述图1中所描述结构可以通过外部数据来分析UTMDSS的内部运行环境，并以数据仓库技术来对系统中的数据进行内外转换提取，同时也能实现纠错功能和数据格式统一，确保数据仓库满足数据采集所要求的格式及质量标准。处理后的数据会存储于数据仓库中，而高校中的不同管理部门也会根据不同的需要，借助数据仓库来展开不同的决策活动[2]。
（二）根据改进Apriori算法实现UTMDSS应用
由于UTMDSS中涵盖了许多方面，例如招生生源数据、教学质量评价数据等等，本文就以对教学质量评价数据的采集为例，利用改进后的Apriori算法来分析UTMDSS系统中对数据的提取应用过程。
基于Apriori算法为数据仓库生成候选项集Ck，并以连接和剪枝两个技术操作完成流程步骤。由于在这一过程中会生成大量候选项集，所以要利用Apriori算法对所有通过扫描数据库的候选项集进行计算改善，计算改善后的数据项组合被称之为频繁项集。获取频繁项集的方法有很多，本文所采用的是编码方法[3]。
首先对数据仓库中的全部数据项进行记录编码，并统计出项的支持度随之生成频繁项集-1，然后如此循环生成频繁项集-2，直到最终可以获得符合标准要求的全部频繁项集。
在得到所有合适的频繁项集后，再利用数据采集对频繁项集中的二项集代码进行计算推理，所采用的数据处理软件即为SQL SERVER2000。以下为频繁二项集代码的推导过程：
Set@c4=select@cnt=sum（@c2+&）from教学评价量化值;
Execsp_executesql@c5，N@int out'@cnt out;
if@cnt>3
insert into td2（item1，2，support）values（@c1，@c2，@cnt）;
end
FETCH next FROM cur1 INTO@c1，@c2
END
再利用相同思維步骤可以实现其它所有项的频繁项集计算推理，并得出相应结果。结果方面，通过对数据仓库中的数据进行采集，发现在高校中{A4，D4}为最大频繁项集，它表明目前校内从45～55岁的男性教师在教学质量评价方面是最高的。
总结
本文结合了数据仓库与数据采集对高校教学质量进行了简单的评价信息数据挖掘，并证明了教学管理决策的重要性。其目的也是为了让目前更多的高校能够了解并学会运用这套基于数据仓库信息采集的决策支持技术，从而进一步提高高校目前相关教学内容的客观评价度，以便于正确作出决策，实现高校办学的多方面经验积累。
参考文献：
[1] 匡银虎，张虹波，杨翔等.基于数据挖掘的高校教务系统设计[J].现代计算机（专业版），2010（6）：147-149.
[2] 彭娟.高校教学管理决策支持系统中关键技术的研究[D].西安石油大学，2008.33-34.
[3] 巫红霞.基于数据仓库和数据挖掘的高校教学管理决策支持系统[D].南京航空航天大学，2008.52-57.
作者简介：
熊慧，武汉交通职业学院电子与信息工程学院计算机应用教研室专业教师，讲师。